CN115494733A - 一种基于gazebo的水下机器人自适应控制方法 - Google Patents
一种基于gazebo的水下机器人自适应控制方法 Download PDFInfo
- Publication number
- CN115494733A CN115494733A CN202211332791.9A CN202211332791A CN115494733A CN 115494733 A CN115494733 A CN 115494733A CN 202211332791 A CN202211332791 A CN 202211332791A CN 115494733 A CN115494733 A CN 115494733A
- Authority
- CN
- China
- Prior art keywords
- underwater robot
- underwater
- environment
- gazebo
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000009471 action Effects 0.000 claims abstract description 27
- 241000251468 Actinopterygii Species 0.000 claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 230000008676 import Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001737 promoting effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 6
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及水下机器人技术领域,具体为一种基于gazebo的水下机器人自适应控制方法,一种基于gazebo的水下机器人自适应控制方法,包括如下步骤:S1:水下环境模型建立:利用gazebo系统生成复杂水下环境;2:数据导入:将水环境导入到水下机器人程序中,使其能够分辨障碍物以及鱼群等;S3:模拟学习:学习如何规避障碍物,并生成动作保存在计算机中;S4:模拟练习:根据导入水环境信息,使得水下机器人做出水环境的判断,从而做出规避动作,并根据规避动作判断机器人完成情况,再次对机器人程序进行优化改进。该基于gazebo的水下机器人自适应控制方法能够在通过对数据的不断学习对比,从而更加智能化进行自适应巡航。
Description
技术领域
本发明涉及水下机器人技术领域,具体为一种基于gazebo的水下机器人自适应控制方法。
背景技术
gazebo是一种进行仿真的软件,能够通过数据的方式模拟出不同的场景,用于进行模拟实验,该方式的使用避免在进行实验时生产制造实物的过程,即可进行数据上的理论实验,更加方便实用。
水下机器人的自适应是重要水下环境采集、巡检的方式之一,因此其控制方法则需要进行不断完善,而gazebo的使用则很好的解决了完善控制方法过程中的实验阶段。
现有的水下机器人自适应控制方法,仅能够非常机械化的进行移动,大部分需要人工的参与进行姿态调节,从而通行,不够智能化。
发明内容
本发明的目的在于提供一种基于gazebo的水下机器人自适应控制方法,以解决上述背景技术提出的现有的水下机器人自适应控制方法,仅能够非常机械化的进行移动,大部分需要人工的参与进行姿态调节,从而通行,不够智能化的问题。
为实现上述目的,本发明提供如下技术方案:一种基于gazebo的水下机器人自适应控制方法,包括如下步骤:
S1:水下环境模型建立:利用gazebo系统生成复杂水下环境;
S2:数据导入:将水环境导入到水下机器人程序中,使其能够分辨障碍物以及鱼群等;
S3:模拟学习:学习如何规避障碍物,并生成动作保存在计算机中;
xref(t)=xi+(xd-xi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
yref(t)=yi+(yd-yi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
其中,(xi,yi)、(xd,yd)为起点、终点的位置,τ为运动周期,t为当前时刻,(xref(t),yref(t))为t时刻的期望位置;
S4:模拟练习:根据导入水环境信息,使得水下机器人做出水环境的判断,从而做出规避动作,并根据规避动作判断机器人完成情况,再次对机器人程序进行优化改进;预设控制律u(sk),利用式对策略进行评估:
Jj+1(sk,u(sk))=U(sk~n,uj(sk~n))+γn+1Jj+1(sk+n+1,u(sk+n+1)) (13)
其中,j为每次进行策略评估时的循环迭代次数;sk+n+1通过sk经由转移环境f(·)得到,u(sk+n+1)通过u(sk)经由转移环境f(·)得到;γ为折扣因子;Jj+1(sk,u(sk))为代价函数第j+1次循环迭代后的近似值;n为预测步数;β为执行网络的权值;U(sk~n,uj(sk~n))为n步效用函数之和,其表示为式(14):
依据式进行代价函数的更新,其中,在第j+1次循环迭代时,实际是进行多次Ji+1(sk,u(sk))=U(sk~n,uj(sk~n))+γn+1Ji(sk+n+1,u(sk+n+1))代价函数更新,以至Ji+1(sk,u(sk))-Ji(sk,u(sk))=0;
式中,i为进行第j次策略评估时达到J(sk,u(sk))=U(sk~n,uj(sk~n))+γn+1J(sk+n+1,u(sk+n+1))需要进行的内部循环次数;
转移环境f(·)用于使自主式水下机器人在当前时刻状态量与控制变量的作用下,转移得到下一时刻的状态量,表示为:
其中,s(t)表示状态量,u(t)表示控制变量;效用函数用于评价自主式水下机器人在当前时刻状态下采取的控制动作的优劣,其表示为式:
其中,Q为对应于s=[w,q,θ,z]T中的四个状态量的对称且正定的权重矩阵;R为对应于控制量的对称且正定的权重矩阵;为当前k时刻状态量与目标状态值的误差,sk表示k时刻的状态量;u(sk)表示时刻与sk对应的控制量;
S5:设备准备:水下机器人安装多种采集设备,用于判断水下情况;
S6:设备使用:水下机器人启动后,对周围水环境进行扫描,收集数据,并与模拟环境下的数据进行比较,特征相符的则做出规避动作,并持续使用,从而不间断进行数据判定以及规避,实现自适应巡航。
优选的,所述水下环境模型建立包括水文情况、复杂水下环境、以及生物信息、水流情况。
优选的,所述gazebo系统生成复杂水下环境包括:障碍物、水流、鱼群、水生植物等,还原真实水下环境,并复杂化水下环境,并生成大范围水环境,为水下机器人自适应提供更多的数据环境,从而使其能够更好的进行无人自适应巡航。
优选的,所述模拟学习包括:
S31:根据导入的数据信息识别障碍物信息,并根据导入的信息进行判断;
S32:判断是固定障碍物时,根据其周围环境决定绕行或穿行;
S33:判断是鱼群时,则判断鱼群是否移动,如果移动可悬停等待鱼群通行,若不移动则根据S32判断通行方式。
优选的,所述S5设备准备包括:红外摄像头、雷达探测器、导航模块、动力模块和防护模块,红外摄像头用于收集水中可视环境下的情况,雷达探测器用于进行距离等情况的收集,两者相结合能够收集更多参数,并对其进行判断,从而判断是否能够通行,导航模块可采用北斗导航系统,用于进行水下机器人的定位,动力模块则是用于推动机器人移动,防护模块则是起到防水、防护作用。
优选的,所述将导入的数据生成判断数据,形成特征数据,在水下机器人使用过程中,作为判定数据,并根据该数据做出判断,从而做出水下机器人的姿态调整。
优选的,所述红外摄像头和雷达探测器在使用过程中不断采集水下数据,其采集的数据能够用作于优化水下机器人的判定数据,从而使得机器人能够逐渐智能化。
与现有技术相比,本发明的有益效果是:该基于gazebo的水下机器人自适应控制方法能够在通过对数据的不断学习对比,从而更加智能化进行自适应巡航。
附图说明
图1为本发明工作流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种基于gazebo的水下机器人自适应控制方法,包括如下步骤:
S1:水下环境模型建立:利用gazebo系统生成复杂水下环境;
S2:数据导入:将水环境导入到水下机器人程序中,使其能够分辨障碍物以及鱼群等;
S3:模拟学习:学习如何规避障碍物,并生成动作保存在计算机中;
xref(t)=xi+(xd-xi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
yref(t)=yi+(yd-yi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
其中,(xi,yi)、(xd,yd)为起点、终点的位置,τ为运动周期,t为当前时刻,(xref(t),yref(t))为t时刻的期望位置;
S4:模拟练习:根据导入水环境信息,使得水下机器人做出水环境的判断,从而做出规避动作,并根据规避动作判断机器人完成情况,再次对机器人程序进行优化改进;
预设控制律u(sk),利用式对策略进行评估:
Jj+1(sk,u(sk))=U(sk~n,uj(sk~n))+γn+1Jj+1(sk+n+1,u(sk+n+1)) (13)
其中,j为每次进行策略评估时的循环迭代次数;sk+n+1通过sk经由转移环境f(·)得到,u(sk+n+1)通过u(sk)经由转移环境f(·)得到;γ为折扣因子;Jj+1(sk,u(sk))为代价函数第j+1次循环迭代后的近似值;n为预测步数;β为执行网络的权值;U(sk~n,uj(sk~n))为n步效用函数之和,其表示为式(14):
依据式进行代价函数的更新,其中,在第j+1次循环迭代时,实际是进行多次Ji+1(sk,u(sk))=U(sk~n,uj(sk~n))+γn+1Ji(sk+n+1,u(sk+n+1))代价函数更新,以至Ji+1(sk,u(sk))-Ji(sk,u(sk))=0;
式中,i为进行第j次策略评估时达到J(sk,u(sk))=U(sk~n,uj(sk~n))+γn+1J(sk+n+1,u(sk+n+1))需要进行的内部循环次数;
转移环境f(·)用于使自主式水下机器人在当前时刻状态量与控制变量的作用下,转移得到下一时刻的状态量,表示为:
其中,s(t)表示状态量,u(t)表示控制变量;效用函数用于评价自主式水下机器人在当前时刻状态下采取的控制动作的优劣,其表示为式:
其中,Q为对应于s=[w,q,θ,z]T中的四个状态量的对称且正定的权重矩阵;R为对应于控制量的对称且正定的权重矩阵;为当前k时刻状态量与目标状态值的误差,sk表示k时刻的状态量;u(sk)表示时刻与sk对应的控制量;
S5:设备准备:水下机器人安装多种采集设备,用于判断水下情况;
S6:设备使用:水下机器人启动后,对周围水环境进行扫描,收集数据,并与模拟环境下的数据进行比较,特征相符的则做出规避动作,并持续使用,从而不间断进行数据判定以及规避,实现自适应巡航。
进一步的,所述水下环境模型建立包括水文情况、复杂水下环境、以及生物信息、水流情况。
进一步的,所述gazebo系统生成复杂水下环境包括:障碍物、水流、鱼群、水生植物等,还原真实水下环境,并复杂化水下环境,并生成大范围水环境,为水下机器人自适应提供更多的数据环境,从而使其能够更好的进行无人自适应巡航。
进一步的,所述模拟学习包括:
S31:根据导入的数据信息识别障碍物信息,并根据导入的信息进行判断;
S32:判断是固定障碍物时,根据其周围环境决定绕行或穿行;
S33:判断是鱼群时,则判断鱼群是否移动,如果移动可悬停等待鱼群通行,若不移动则根据S32判断通行方式。
进一步的,所述S5设备准备包括:红外摄像头、雷达探测器、导航模块、动力模块和防护模块,红外摄像头用于收集水中可视环境下的情况,雷达探测器用于进行距离等情况的收集,两者相结合能够收集更多参数,并对其进行判断,从而判断是否能够通行,导航模块可采用北斗导航系统,用于进行水下机器人的定位,动力模块则是用于推动机器人移动,防护模块则是起到防水、防护作用。
进一步的,所述将导入的数据生成判断数据,形成特征数据,在水下机器人使用过程中,作为判定数据,并根据该数据做出判断,从而做出水下机器人的姿态调整。
进一步的,所述红外摄像头和雷达探测器在使用过程中不断采集水下数据,其采集的数据能够用作于优化水下机器人的判定数据,从而使得机器人能够逐渐智能化。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于gazebo的水下机器人自适应控制方法,其特征在于:包括如下步骤:
S1:水下环境模型建立:利用gazebo系统生成复杂水下环境;
S2:数据导入:将水环境导入到水下机器人程序中,使其能够分辨障碍物以及鱼群等;
S3:模拟学习:学习如何规避障碍物,并生成动作保存在计算机中;
xref(t)=xi+(xd-xi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
yref(t)=yi+(yd-yi)[10(t/τ)3-15(t/τ)4+6(t/τ)5]
其中,(xi,yi)、(xd,yd)为起点、终点的位置,τ为运动周期,t为当前时刻,(xref(t),yref(t))为t时刻的期望位置;
S4:模拟练习:根据导入水环境信息,使得水下机器人做出水环境的判断,从而做出规避动作;
预设控制律u(sk),利用式对策略进行评估:
Jj+1(sk,u(sk))=U(sk~n,uj(sk~n))+γn+1Jj+1(sk+n+1,u(sk+n+1))(13)
其中,j为每次进行策略评估时的循环迭代次数;sk+n+1通过sk经由转移环境f(·)得到,u(sk+n+1)通过u(sk)经由转移环境f(·)得到;γ为折扣因子;Jj+1(sk,u(sk))为代价函数第j+1次循环迭代后的近似值;n为预测步数;β为执行网络的权值;U(sk~n,uj(sk~n))为n步效用函数之和,其表示为式(14):
依据式进行代价函数的更新,其中,在第j+1次循环迭代时,实际是进行多次Ji+1(sk,u(sk))=U(sk~n,uj(sk~n))+γn+1Ji(sk+n+1,u(sk+n+1))代价函数更新,以至Ji+1(sk,u(sk))-Ji(sk,u(sk))=0;
式中,i为进行第j次策略评估时达到J(sk,u(sk))=U(sk~n,uj(sk~n))+γn+1J(sk+n+1,u(sk+n+1))需要进行的内部循环次数;
转移环境f(·)用于使自主式水下机器人在当前时刻状态量与控制变量的作用下,转移得到下一时刻的状态量,表示为:
其中,s(t)表示状态量,u(t)表示控制变量;效用函数用于评价自主式水下机器人在当前时刻状态下采取的控制动作的优劣,其表示为式:
其中,Q为对应于s=[w,q,θ,z]T中的四个状态量的对称且正定的权重矩阵;R为对应于控制量的对称且正定的权重矩阵;为当前k时刻状态量与目标状态值的误差,sk表示k时刻的状态量;u(sk)表示时刻与sk对应的控制量;
S5:设备准备:水下机器人安装多种采集设备,用于判断水下情况;
S6:设备使用:水下机器人启动后,对周围水环境进行扫描,收集数据,并与模拟环境下的数据进行比较,特征相符的则做出规避动作,并持续使用,从而不间断进行数据判定以及规避,实现自适应巡航。
2.根据权利要求1所述的一种基于gazebo的水下机器人自适应控制方法,其特征在于:所述水下环境模型建立包括水文情况、复杂水下环境、以及生物信息、水流情况。
3.根据权利要求1所述的一种基于gazebo的水下机器人自适应控制方法,其特征在于:所述gazebo系统生成复杂水下环境包括:障碍物、水流、鱼群、水生植物等,还原真实水下环境。
4.根据权利要求1所述的一种基于gazebo的水下机器人自适应控制方法,其特征在于:所述模拟学习包括:
S31:根据导入的数据信息识别障碍物信息,并根据导入的信息进行判断;
S32:判断是固定障碍物时,根据其周围环境决定绕行或穿行;
S33:判断是鱼群时,则判断鱼群是否移动,如果移动可悬停等待鱼群通行,若不移动则根据S32判断通行方式。
5.根据权利要求1所述的一种基于gazebo的水下机器人自适应控制方法,其特征在于:所述S5设备准备包括:红外摄像头、雷达探测器、导航模块、动力模块和防护模块,红外摄像头用于收集水中可视环境下的情况,雷达探测器用于进行距离等情况的收集,两者相结合能够收集更多参数,并对其进行判断,从而判断是否能够通行,导航模块可采用北斗导航系统,用于进行水下机器人的定位,动力模块则是用于推动机器人移动,防护模块则是起到防水、防护作用。
6.根据权利要求1所述的一种基于gazebo的水下机器人自适应控制方法,其特征在于:所述将导入的数据生成判断数据,形成特征数据,在水下机器人使用过程中,作为判定数据,并根据该数据做出判断,从而做出水下机器人的姿态调整。
7.根据权利要求5所述的一种基于gazebo的水下机器人自适应控制方法,其特征在于:所述红外摄像头和雷达探测器在使用过程中不断采集水下数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211332791.9A CN115494733A (zh) | 2022-10-27 | 2022-10-27 | 一种基于gazebo的水下机器人自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211332791.9A CN115494733A (zh) | 2022-10-27 | 2022-10-27 | 一种基于gazebo的水下机器人自适应控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115494733A true CN115494733A (zh) | 2022-12-20 |
Family
ID=85115099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211332791.9A Pending CN115494733A (zh) | 2022-10-27 | 2022-10-27 | 一种基于gazebo的水下机器人自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115494733A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055586A (zh) * | 2023-06-28 | 2023-11-14 | 中国科学院自动化研究所 | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 |
CN117590751A (zh) * | 2023-12-28 | 2024-02-23 | 深圳市德威胜潜水工程有限公司 | 基于水下机器人的水下环境监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008052473A (ja) * | 2006-08-24 | 2008-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 水中ロボットの動作制御方法、装置、プログラム及びその記録媒体 |
CA3067575A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Self-learning autonomous navigation systems and methods for unmanned underwater vehicle |
CN112241176A (zh) * | 2020-10-16 | 2021-01-19 | 哈尔滨工程大学 | 一种水下自主航行器在大尺度连续性障碍物环境中路径规划避障控制方法 |
JP2021034050A (ja) * | 2019-08-21 | 2021-03-01 | 哈爾浜工程大学 | 強化学習に基づくauv行動計画及び動作制御方法 |
CN112859889A (zh) * | 2021-01-18 | 2021-05-28 | 湖南大学 | 基于自适应动态规划的自主式水下机器人控制方法和系统 |
-
2022
- 2022-10-27 CN CN202211332791.9A patent/CN115494733A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008052473A (ja) * | 2006-08-24 | 2008-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 水中ロボットの動作制御方法、装置、プログラム及びその記録媒体 |
CA3067575A1 (en) * | 2019-01-14 | 2020-07-14 | Harbin Engineering University | Self-learning autonomous navigation systems and methods for unmanned underwater vehicle |
JP2021034050A (ja) * | 2019-08-21 | 2021-03-01 | 哈爾浜工程大学 | 強化学習に基づくauv行動計画及び動作制御方法 |
CN112241176A (zh) * | 2020-10-16 | 2021-01-19 | 哈尔滨工程大学 | 一种水下自主航行器在大尺度连续性障碍物环境中路径规划避障控制方法 |
CN112859889A (zh) * | 2021-01-18 | 2021-05-28 | 湖南大学 | 基于自适应动态规划的自主式水下机器人控制方法和系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055586A (zh) * | 2023-06-28 | 2023-11-14 | 中国科学院自动化研究所 | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 |
CN117055586B (zh) * | 2023-06-28 | 2024-05-14 | 中国科学院自动化研究所 | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 |
CN117590751A (zh) * | 2023-12-28 | 2024-02-23 | 深圳市德威胜潜水工程有限公司 | 基于水下机器人的水下环境监测方法及系统 |
CN117590751B (zh) * | 2023-12-28 | 2024-03-22 | 深圳市德威胜潜水工程有限公司 | 基于水下机器人的水下环境监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115494733A (zh) | 一种基于gazebo的水下机器人自适应控制方法 | |
CN110900598B (zh) | 机器人三维运动空间动作模仿学习方法和系统 | |
WO2022188379A1 (zh) | 服务于电力机器人的人工智能系统及方法 | |
CN110750096B (zh) | 静态环境下基于深度强化学习的移动机器人避碰规划方法 | |
CN108081266A (zh) | 一种基于深度学习的机械臂手部抓取物体的方法 | |
CN111260649B (zh) | 一种近距离机械臂感知与校准方法 | |
CN105911992A (zh) | 一种移动机器人的自动规划路径方法及移动机器人 | |
CN110000795A (zh) | 一种视觉伺服控制的方法、系统及设备 | |
CN107688856A (zh) | 基于深度强化学习的室内机器人场景主动识别方法 | |
CN108362284A (zh) | 一种基于仿生海马认知地图的导航方法 | |
CN114688650B (zh) | 一种基于计算机视觉技术的喷雾降温风扇控制系统及方法 | |
CN110519582A (zh) | 一种巡检机器人数据采集系统及数据采集方法 | |
CN109144047A (zh) | 一种基于多智能体系统的有限时间编队控制方法 | |
CN111152220B (zh) | 一种基于人机融合的机械臂控制方法 | |
CN113762603A (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN109597410A (zh) | 一种自主路径规划的可移动测试台及自主寻路方法 | |
CN111880522A (zh) | 一种新型的自主装配机器人路径规划自主导航系统及方法 | |
CN106874961A (zh) | 一种采用基于局部感受野的极速学习机的室内场景识别方法 | |
Yan et al. | Real-world learning control for autonomous exploration of a biomimetic robotic shark | |
CN113359744B (zh) | 一种基于安全强化学习及视觉传感器的机器人避障系统 | |
CN110134129A (zh) | 基于深度学习和adrc控制的水田除草机自动避苗系统 | |
CN117150881A (zh) | 仿生机器鱼导航任务的强化学习训练回路方法及装置 | |
CN112683266A (zh) | 机器人及其导航方法 | |
CN114789443A (zh) | 一种基于多源信息深度强化学习的机械臂控制方法及系统 | |
CN115587713A (zh) | 一种基于强化学习的海洋牧场灾害决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |